Chatbot RAG มาตรฐานสามารถตอบคำถามพื้นฐาน เช่น “นโยบายการคืนสินค้าคืออะไร” ได้อย่างไม่มีปัญหา โดยการค้นหาชิ้นส่วนข้อมูลและส่งให้โมเดลดำเนินการ
แนะนำ graphrag-toolkitAWS ได้เปิดตัวเครื่องมือนี้อย่างเป็นทางการในบล็อกโพสต์เปิดตัวของตน และได้มีการบันทึกการออกแบบโมเดลกราฟเชิงคำศัพท์แบบลำดับชั้นในเอกสารวิจัยเฉพาะเรื่อง “Hierarchical Lexical Graph for Enhanced Multi-Hop Retrieval”
Deloitte ก็ใช้งาน lexical-graph นี้ภายในศูนย์ข่าวกรองด้านความปลอดภัย GenAI ที่ใช้ Amazon Neptune ซึ่งเป็นการใช้งานจริงที่นำเสนอในเซสชันทางเทคนิคของ re:Invent 2025 สร้างผู้ช่วยวิจัยเสริมด้วยกราฟ
get_stats() เป็นเมธอดที่ถูกบันทึกใน LexicalGraphIndex ซึ่งจะส่งคืนจำนวนโหนดที่แน่นอนในแต่ละระดับของลำดับชั้น ทั้งแหล่งที่มา, ชิ้นส่วน, หัวข้อ, ข้อความ, ข้อเท็จจริง และเอนทิตี พร้อมด้วยสองเมตริกการเชื่อมต่อที่อธิบายความหนาแน่นของกราฟที่เกิดขึ้นจริง สิ่งที่คุณสร้างและก้าวต่อไป
การอัปเดตแบบเวอร์ชันควบคุมจัดการกรณีในโลกแห่งความเป็นจริงที่การสร้างครั้งเดียวของบทช่วยสอนนี้ไม่ได้กล่าวถึง นั่นคือการนำเข้าเอกสารที่เปลี่ยนแปลงไปแล้วใหม่ และการเก็บถาวรเวอร์ชันเก่าโดยอัตโนมัติแทนที่จะปล่อยข้อมูลที่ล้าสมัยและขัดแย้งในกราฟ สำหรับขั้นตอนต่อไปที่แนะนำมากกว่าการอ่านเอกสารเพียงอย่างเดียว AWS ได้จัดเวิร์กช็อป Jupyter notebooks แบบครบวงจร และแอปพลิเคชัน RAG Explorer ที่พร้อมใช้งาน ซึ่งช่วยให้คุณเปรียบเทียบการตอบสนองของ RAG แบบกราฟและแบบเวกเตอร์ธรรมดาสำหรับคำถามเดียวกันได้
ศัพท์ที่ควรรู้
- RAG (Retrieval-Augmented Generation) – เป็นเทคนิคที่ช่วยให้โมเดลภาษาขนาดใหญ่สามารถค้นหาข้อมูลภายนอกเพื่อเพิ่มความแม่นยำในการตอบคำถามได้
- graphrag-toolkit – คือชุดเครื่องมือที่ AWS พัฒนาขึ้นเพื่อช่วยในการสร้างแอปพลิเคชัน GenAI โดยใช้โครงสร้างกราฟ
- LexicalGraphIndex – คือดัชนีที่ใช้โครงสร้างกราฟเชิงคำศัพท์เพื่อจัดเก็บและเชื่อมโยงข้อมูลในระดับต่างๆ
- Amazon Neptune – คือบริการฐานข้อมูลของ Amazon ที่ถูกนำมาใช้เป็นฐานสำหรับ GenAI Security Intelligence Center
- get_stats() – คือเมธอดที่ใช้แสดงจำนวนโหนดและเมตริกการเชื่อมต่อของกราฟในแต่ละระดับ
ที่มา: kdnuggets.com